# 波士顿房价数据集
from sklearn.datasets import fetch_california_housing, load_boston
# 线性回归 (正规方程 梯度下降)
from sklearn.linear_model import LinearRegression, SGDRegressor
# 岭回归 解决过拟合
from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split
# 数据标准化
from sklearn.preprocessing import StandardScaler
# 均方误差
from sklearn.metrics import mean_squared_error
# 线性回归预测房价
def mylinear():
# 获取数据
lb = load_boston()
# 分割数据集
x_trian, x_test, y_train, y_test = train_test_split(lb.data, lb.target, test_size=0.25)
# print(y_test)
# 数据标准化 由于在线性回归算法中 预测会使用特征值运算 所以目标值也是需要标准化(缩小)
# 如果还需要查看之前的目标值 则需要调用后 inverse_transform
# 标准值和目标值的列数不一样需要 两个实例化的标准化API
std_x = StandardScaler()
x_trian = std_x.fit_transform(x_trian)
x_test = std_x.transform(x_test)
# 0.18 不要求
# sklearn 0.19版本很多转换器 估计器都要求穿进去的数据是2维的
std_y = StandardScaler()
y_train = std_y.fit_transform(y_train.reshape([-1, 1]))
y_test = std_y.transform(y_test.reshape([-1, 1]))
# 调用估计器预测
# 正规方程求解
lr = LinearRegression()
lr.fit(x_trian, y_train)
# 回归系数
print("线性回归正规方程求解的系数:", lr.coef_)
# 预测测试集价格
y_pridict = lr.predict(x_test)
y_pridict = std_y.inverse_transform(y_pridict)
print("测试集房子价格:", y_pridict)
print("***" * 30)
# 梯度下降求解
sgd = SGDRegressor()
sgd.fit(x_trian, y_train)
print("梯度下降求解的系数", sgd.coef_)
# 预测房价
y_predict_ = sgd.predict(x_test)
y_pridict_ = std_y.inverse_transform(y_predict_)
print("参数下降求解的房价:", y_pridict_)
# 回归性能评估平均了每一个误差的平方和求平均值(均方误差)
# print("正规方程的均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_pridict))
# print("梯度下降的均方误差:", mean_squared_error(std_y.inverse_transform(y_test), y_pridict_))
print("***"*30)
# alpha 正则化力度参数 默认1.0
rd = Ridge(alpha=1.0)
rd.fit(x_trian,y_train)
print("参数列表:",rd.coef_)
y_predict_1 = std_y.inverse_transform(rd.predict(x_test))
print("岭回归房价",y_predict_1)
print("正规方程的均方误差:", mean_squared_error(std_y.inverse_transform(y_test), y_pridict))
print("梯度下降的均方误差:", mean_squared_error(std_y.inverse_transform(y_test), y_pridict_))
print("岭回归均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_predict_1))
return None
if __name__ == '__main__':
mylinear()
机器学习算法 线性回归 正规式 梯度下降 岭回归
最新推荐文章于 2022-07-19 21:08:55 发布